汽车制造工业大数据处理技术分析

序论：写作是一种深度的自我表达。它要求我们深入探索自己的思想和情感，挖掘那些隐藏在内心深处的真相，好投稿为您带来了一篇汽车制造工业大数据处理技术分析范文，愿它们成为您写作过程中的灵感催化剂，助力您的创作。

１前言

２０２１年，工信部发布了“十四五”智能制造规划以及“十四五”大数据产业规划，提出了到２０３５年，规模以上制造业企业全面普及数字化网络化，重点行业骨干企业基本实现智能化的目标。工业大数据汇聚了产品全生命周期各个环节的数据，覆盖了客户需求调研、销售、计划订单、设计研发、产品工艺、生产制造、产品交易、订单发货、售后维修运维、报废处理、回收再制造等多个工业领域，形成了典型工业智能制造模式，工业大数据通过工业物联网进行数据采集和整合，连接工业制造的各环节设备及企业资源管理（ＥＲＰ）、生产制造执行（ＭＥＳ）、产品全生命周期（ＰＬＭ）等信息系统，打通各设备产生的数据，为企业成本控制、资源优化、精细化经营创造价值。汽车产业是我国建设制造业强国的重要支撑，受到大数据发展的广泛影响，汽车产业已经进入数字化转型变革的关键时期。然而，我国汽车产业仍面临大而不强的诸多弊端，例如缺失核心零部件制造技术及能力、缺乏基础研发能力、制造水平较浅，自主创新能力及创新体系不完善等，随着新一代信息通信技术与汽车产业深度融合，工业大数据处理技术逐步应用至汽车产业中，带动汽车产业数智化转型发展。

２工业大数据处理流程及作用

工业大数据作为大数据的应用行业，具有数据容量大、数据分布广泛多样、生产现场数据处理速度快、产品生命周期同一阶段数据关联性强等特点。工业大数据的处理为在适合工具的辅助下，汲取和集成不同结构的数据源，按照数据源结构标准进行统一存储，并进行结构分析，最后将结果展示给终端前用户。数据处理流程涵盖采集、预处理、存储、处理分析、可视化及应用环节。数据采集通过同构／异构数据库、文件系统、服务接口等数据源收集数据，数据源数据易受数据冲突、噪声数据及缺失数据值的影响，因此为了保证数据分析与预测结果的准确性，需要对数据进行预处理。大数据的预处理环节可大幅度提升数据整体质量，涵盖了数据清理、集成、规律与转换等多项内容。数据处理涉及的计算模型有分布式内存计算系统、分布式流计算系统、ＭａｐＲｅｄｕｃｅ分布式计算框架等。数据处理的计算模型可对海量结构化及非结构化的数据进行实时处理，有效降低数据读写及移动风险，保证工业大数据的价值性和时效性，大幅度提升数据处理性能。数据分析是大数据处理与应用的关键环节，工业大数据分析是工业智能化发展的核心，包括预测性分析、可视化分析、数据挖掘、语义提取、质量管理等分析方法，预测性分析可深度挖掘数据特点，由数据建模带入新数据，对未来的数据进行预测，为决策提供数据性的判断；可视化分析直观显示数据特点，便于理解；数据挖掘基于不同的数据类型及格式，采用挖掘算法，科学的呈现数据自身的特性；语义分析主要针对非结构化数据进行分析，可智能分析提取数据源数据。数据可视化可通过全过程信息化管控，通过显示大屏、生产看板等单个或者多个技术手段，展现数字生产及数字运营成果，多视角展现计划排产、生产制造、品质监控、设备管理、仓储管理的过程，使数据管理过程呈现直观方便、高效快捷的特点。数据应用主要体现在工业设备级管理、生产线级智能制造和工厂级控制三个层次，典型应用至产品创新、产品故障预测诊断、产线数据诊断、产品销售预测管理、生产计划排程、产品质量分析方面。

３汽车制造过程中的工业大数据

汽车车身制造工艺异常复杂，通常需要通过上百道工序，将几百个零部件拼接成完整的白车身，在汽车制造过程中的工业大数据可以将企业信息化系统打通，联通工厂、车间工业环境，为企业产品全生命周期数据管理提供解决方案，为企业管理提供预测分析。基于汽车整车及零部件企业资源管理（ＥＲＰ）系统、生产制造执行系统（ＭＥＳ）、生产排程系统（ＡＰＳ）、物流执行（ＬＥＳ）系统、产品全生命周期系统（ＰＬＭ）、物料拣选系统（ＰＴＬ）、仓储管理系统（ＷＭＳ）、供应商管理系统（ＳＲＭ）等众多工业软件平台在汽车制造过程中的应用，在构建数据驱动下的智能制造体系，建立汽车生产流程数字化模型过程中，从产品数据流、工艺数据流、制造数据流、质量数据流等维度分析，主要有以下工业大数据。

３．１产品数据

产品数据是企业研发能力的重要体现，是新产品研发的重要依据。产品数据管理水平的提高可以优化产品设计过程，提高生产制造部门的工作效率。主要包括以下几个方面：整车产品数据：包括车辆识别代号（ＶＩＮ）等整车信息、整车技术条件、整车技术规范、内外饰效果图、人机工程设计要求、整车性能分析报告、整车总布置图、管线布置图等；零部件产品数据：包括产品零部件开发要求书、产品图纸、产品数量及规模、零部件确认报告等；试验测试数据：包括车辆基本性能测试报告、整车可靠／耐久性试验报告、法规项验证报告、强制性标准检验、风洞试验、动力标定、产品公告等；产品配置及零件清单：包括商标代码、型号代码、颜色代码、发动机代码、档位代码、整车装配结构、关键产品特性（ＫＰＣ）清单、装车物料（ＢＯＭ）清单、车辆零件清单、零件种类清单、车身附件清单、零件清单适用性评估报告等；车辆设计问题处理及产品更改：包括各阶段车辆生产问题库、试验故障问题库、感知质量问题库、工程工作指令、产品更改申请等；研发项目文档：包括产品开发策略、产品开发计划、竞品分析、产品质量目标、项目组织结构等。

３．２工艺数据

汽车制造属于典型的离散制造，主要采用多品种配置，中小批量生产，面向订单的生产方式，产品结构复杂，零部件种类繁多，工艺路线和设备配置灵活，工艺数据的传递可保障汽车生产过程的有序进行，具体如下：生产车型数据及其制造工艺数据：包括生产计划、排产顺序、车型品种、零部件类别、生产及消耗数量、材料规格型号、物流路线、消耗或存放点位、工艺参数、检测参数、电子电气标定数据、操作要求等，用于传达生产指令、指导生产线及相关人员生产车型、生产工艺、工艺参数和检测参数、产品数据、零部件材料、送至工位的时间等信息，可通过信息系统及时传递到设备及人员，识别车型及零部件、指导生产操作。

３．３制造数据

汽车制造过程数据是过程制造质量实时监控、质量判断、预警分析、技术决策等项目的重要抓手［１］。制造数据是汽车制造过程中随时产生的，主要包括以下两个部分：生产物流数据：生产制造过程中车身及零部件运输、仓储、搬运装卸、包装及流通加工产生的数据［２］。设备运行状态数据：设备生产汽车零部件或整车时产生的电压、电流、功率、压力、位移、转速、风速、风量、温度、运行时间、振幅、频率等；关键工装的状态数据如模具状态、焊装夹具状态、车身吊具状态、喷漆室清洁度、合装托盘状态等。

３．４过程质量监测数据

制造过程质量监测伴随着汽车制造的全过程，从冲压件至整车下线，大量不同类型监测数据源源不断的产生，主要包括冲压件表面质量评审、焊点超声波检查、车身ＡＵＤＩＴ、涂装ＡＵＤＩＴ、白车身ＣＭＭ、总装下线检验、整车客户评审数据等过程质量监测数据。

３．５能源消耗数据

汽车生产制造过程会直接或间接消耗钢、铁等原材料、刀具等辅助材料、电、煤、天然气等能源，并产生废弃物排放，所产生的能源消耗类数据主要有全年单车电量、全年单车空气压缩量、全年单车水量、全年单车循环水量、全年单车蒸汽量、全年单车天然气量等能源消耗数据［３］。

４工业大数据处理技术在汽车制造过程中的应用

４．１数据采集

４．１．１射频识别（ＲＦＩＤ）技术

车型识别是数据采集的重要步骤。生产车型来自生产计划，在冲压件仓库和总装零件仓库，零件入库信息可记录适用的车型及生产日期或批次，通过扫码将零件信息录入工厂计算机信息管理系统，信息传递和识别采用ＲＦＩＤ实现。在需要传递信息零件转运台车或货架上安装ＲＦＩＤ电子标签，通过ＲＦＩＤ读写器将零件信息自动写入转运台车或货架上电子标签中，信息往下传递至与所装配车型车辆识别代码ＶＩＮ相联，建立起追溯关系。焊装线车身载具、涂装车身吊具、ＰＢＳ线台车、总装重要零件出库台车、动力总成载具、仪表表盘总成装配台车、座椅总成转运托盘等各类载具上均可安装ＲＦＩＤ，实现采集数据与车型代码的关联。通过ＲＦＩＤ技术进行实时数据采集，可保证设备、物料、人力、工具等资源的正确使用，尤其体现在总装配生产线上，利用ＲＦＩＤ技术识别车辆零部件，保证物料被送到准确位置，减少装配出错率。在车间生产调度上，通过ＲＦＩＤ对生产现场的设备和人员的实时跟踪，监控其生产状态，可实现对车间生产的整体控制。

４．１．２可编辑逻辑控制器（ＰＬＣ）通信技术

设备运行数据是实时监测设备运行、故障预测、设备效率分析、能耗分析及制订降本措施等工作的依据。基于ＴＣＰ／ＩＰ通讯协议的电气设备ＰＬＣ可通过以太网口直接接入到车间网络中。

４．１．３在线监测技术

制造数据及过程质量监测数据是质量实时监控、质量判断、预警分析、技术决策的重要抓手。采集这些数据需安装在线检测设备或传感器，自动连续检测数据，通过车间网络传到计算机数据库，并与车辆ＶＩＮ码建立联系，以便进行建模分析。

４．２数据处理分析

４．２．１数据融合

通过建立数据处理系统或平台，对采集的数据根据数据源、数据类型、数据分类进行数据解析，对汽车制造行业生产数据的多层次、多方面、多级别的融合处理，实现制造过程业务流的贯通，打通工艺、生产、物流、质量等环节，实现了实时分析、状态感知、自主决策及精准执行的智能管控模式。针对汽车制造行业中数据的制造属性，建立数据融合功能模块之间关联性与融合算法，构建典型的数据融合模型，应用多元感知技术，获取目标的高似然率特多源数据融合与协同管控方法的研究与应用征矢量信息，利用数学描述的角度，将矢量信息转化为标量信息，并对其进行控制。根据数据时间多变性及随机性，采用不同方式和方法，考虑数据要素之间的差异，对定向目标多次数字化产生的几何差异进行分析筛选，对新数据及原始数据，则根据几何属性和时间要素进行转换兼容，基于时间轴，构建数据算法模型［４］。

４．２．２数字化虚拟仿真

根据汽车厂冲压、涂装、焊装、总装四大工艺车间生产流程，进行数字化虚拟仿真，利用Ｔｅｃｎｏｍａｔｉｘ等软件工具，建立数字化产线仿真模型，搭建数字化工艺平台，快速准确的对生产线进行工艺布局设计、工艺流程规划设计及ＡＧＶ路径规划，通过路径仿真，实现节拍验证与工艺优化工作，有效降低施工阶段工程更改，降低成本，缩短生产调试时间，提高生产能力。

４．３数据可视化及应用

数据可视化利用计算机网络技术，可分析处理海量的信息数据，在汽车生产车间以ＰＣ、看板、大屏、驾驶舱等为主要视觉展示手段实现可视化，可大幅度提高汽车生产制造过程的透明度，方便管理者进行决策分析。

４．３．１人工智能物联网技术

ＡＩｏＴ（人工智能物联网）＝ＡＩ（人工智能）＋ＩｏＴ（物联网），它结合了ＡＩ技术及ＩｏＴ技术，利用物联网技术产生、收集海量数据，经过大数据分析、人工智能，实现万物数据化及可视化。全流程可视化为汽车生产制造及物流优化发展的重要支撑和方向，通过ＡＩｏＴ（人工智能物联网）等技术应用，可形成汽车生产物流全过程及自动设备可视化，帮助汽车主机及零部件厂、零部件供应商、车辆承运商、汽车经销商及客户等关键用户实时掌握汽车生产及物流运行情况，实现生产指导、实时预警、及时改进、有效追溯的目标。

４．３．２数字孪生技术

数字孪生（ＤｉｇｉｔａｌＴｗｉｎ），即数字镜像、数字映射，是超越现实的概念，体现了物理实体和数字虚拟体间的精确映射与孪生的关系，数字孪生持续的发生在孪生体的全生命周期中。依托数字孪生技术，可对关键数据进行数字化映射、监测、诊断、预测、仿真、优化［５－７］，实现汽车从产品研发、物料采购、零部件制造、物流质检、整车生产、车辆运输、车辆销售、车辆服务等多环节的汽车领域全生命周期数字孪生验证环境，可应用于生产制造、经营管理等多个场景［８－９］，提升整体生产价值链的数字化转型效率。

５结语

工业４．０时代，工业制造业转向智能互联方向发展，信息技术是企业运营的重要载体，数据变革时代，工业大数据将成为汽车企业的核心资产，提高工厂对不同设备收集的海量信息进行梳理的能力，企业信息系统数据计算能力及数据消化能力的提高，能够使企业在低成本运营的同时，实现绿色生产、精益生产以及按需生产，有效控制生产流程，加速产品创新，大幅度提高企业经营效率。工业大数据的应用不仅意味着企业数字化信息化，更是把数据作为智能制造的核心数据资产和驱动力，在不断获得数据的驱动过程中优化制造资源的配置效率，构建完善的业务体系，从单机设备、生产线、产业链再到产业生态不断拓宽。在未来１０年以内，汽车整车及零部件制造产业会真正迈入大数据时代，汽车生产制造的各个环节将全面实现数字化及智能化，汽车产业智慧化发展，以工业大数据的处理技术将在汽车制造过程中得到全面推广，以数据挖掘为核心的解决方案应用将成为汽车行业的必然。

参考文献：

［１］汽车制造过程质量监测数据管理平台开发与应用，黄文亮、梁其升、黄晓丽，汽车与驾驶维修（维修版），２０２１，（０５），４８－５１．

［２］汽车制造数据深度赋能研究及实践，王娟娟、彭小刚、颜先洪、王俊平、刘宗和、赵仁茂，２０２１中国汽车工程学会年会论文集（５）．

［３］汽车生产过程中能源消耗的碳排放计算与分析，周亚兰、龚本刚、张孝琪，巢湖学院学报，２０１４，１６（０３），９２－９８．

［４］多源数据融合与协同管控方法的研究与应用，闫媛媛、张博、冯志祥，电子技术与软件工程，２０２０，（２０），１８３－１８５．

［５］基于数字孪生的物联网工业运维系统，周兴泽、刘松、孙浩、师好智、李依霏、王瑞、李一凡，工业控制计算机，２０２２，３５（０５），１１５－１１６．

［６］５Ｇ数字孪生实验室构建技术及实现，游佳，通信技术，２０２２，５５（０５），６０５－６０９．

［７］数字孪生技术在全生命周期生产中的应用，杨子兵、周海臣、邢亮、张新生，电子技术，２０２２，５１（０４），２５０－２５１．

［８］汽车白车身焊接生产线可试验数字孪生体建模方法，李浩、林奥奇、李兵、张晓峰、王昊琪、谢贵重、刘根，中原工学院学报，２０２１，３２（０１），１－７．

［９］基于数字孪生的再制造车间作业模式，刘丹、黄海涛、王保兴、周同新、罗盛照，计算机集成制造系统，２０１９，２５（０６），１５１５－１５２７．

作者:刘艺 欧培培 魏磊 李佳林 单位:中汽研汽车工业工程（天津）有限公司